Copiar e transformar dados do Hive usando o Azure Data Factory

  • Artigo

APLICA-SE A: Azure Data Factory Azure Synapse Analytics

Gorjeta

Experimente o Data Factory no Microsoft Fabric, uma solução de análise tudo-em-um para empresas. O Microsoft Fabric abrange tudo, desde a movimentação de dados até ciência de dados, análises em tempo real, business intelligence e relatórios. Saiba como iniciar uma nova avaliação gratuitamente!

Este artigo descreve como usar a Atividade de Cópia em um pipeline do Azure Data Factory ou do Synapse Analytics para copiar dados do Hive. Ele se baseia no artigo de visão geral da atividade de cópia que apresenta uma visão geral da atividade de cópia.

Capacidades suportadas

Este conector Hive é suportado para os seguintes recursos:

Capacidades suportadas IR
Atividade de cópia (fonte/-) ① ②
Mapeando o fluxo de dados (fonte/-) ①
Atividade de Pesquisa ① ②

(1) Tempo de execução de integração do Azure (2) Tempo de execução de integração auto-hospedado

Para obter uma lista de armazenamentos de dados suportados como fontes/coletores pela atividade de cópia, consulte a tabela Armazenamentos de dados suportados.

O serviço fornece um driver interno para habilitar a conectividade, portanto, você não precisa instalar manualmente nenhum driver usando esse conector.

Pré-requisitos

Se seu armazenamento de dados estiver localizado dentro de uma rede local, uma rede virtual do Azure ou a Amazon Virtual Private Cloud, você precisará configurar um tempo de execução de integração auto-hospedado para se conectar a ele.

Se o seu armazenamento de dados for um serviço de dados de nuvem gerenciado, você poderá usar o Tempo de Execução de Integração do Azure. Se o acesso for restrito a IPs aprovados nas regras de firewall, você poderá adicionar IPs do Azure Integration Runtime à lista de permissões.

Você também pode usar o recurso de tempo de execução de integração de rede virtual gerenciada no Azure Data Factory para acessar a rede local sem instalar e configurar um tempo de execução de integração auto-hospedado.

Para obter mais informações sobre os mecanismos de segurança de rede e as opções suportadas pelo Data Factory, consulte Estratégias de acesso a dados.

Introdução

Para executar a atividade Copiar com um pipeline, você pode usar uma das seguintes ferramentas ou SDKs:

Criar um serviço vinculado ao Hive usando a interface do usuário

Use as etapas a seguir para criar um serviço vinculado ao Hive na interface do usuário do portal do Azure.

  1. Navegue até a guia Gerenciar em seu espaço de trabalho do Azure Data Factory ou Synapse e selecione Serviços Vinculados e clique em Novo:

  2. Procure Hive e selecione o conector Hive.

    Select the Hive connector.

  3. Configure os detalhes do serviço, teste a conexão e crie o novo serviço vinculado.

    Configure a linked service to Hive.

Detalhes de configuração do conector

As seções a seguir fornecem detalhes sobre as propriedades usadas para definir entidades do Data Factory específicas para o conector do Hive.

Propriedades do serviço vinculado

As seguintes propriedades são suportadas para o serviço vinculado do Hive:

Propriedade Descrição Necessário
tipo A propriedade type deve ser definida como: Hive Sim
host Endereço IP ou nome de host do servidor Hive, separados por ';' para vários hosts (somente quando serviceDiscoveryMode está habilitado). Sim
porta A porta TCP que o servidor Hive usa para escutar conexões de cliente. Se você se conectar ao Azure HDInsight, especifique a porta como 443. Sim
Tipo de servidor O tipo de servidor Hive.
Os valores permitidos são: HiveServer1, HiveServer2, HiveThriftServer		 Não
thriftTransportProtocol O protocolo de transporte a ser usado na camada Thrift.
Os valores permitidos são: Binary, SASL, HTTP		 Não
authenticationType O método de autenticação usado para acessar o servidor Hive.
Os valores permitidos são: Anonymous, Username, UsernameAndPassword, WindowsAzureHDInsightService. A autenticação Kerberos não é suportada agora.		 Sim
serviceDiscoveryMode true para indicar usando o serviço ZooKeeper, false not. Não
zooKeeperNameSpace O namespace no ZooKeeper sob o qual os nós do Hive Server 2 são adicionados. Não
useNativeQuery Especifica se o driver usa consultas HiveQL nativas ou as converte em um formulário equivalente no HiveQL. Não
nome de utilizador O nome de usuário que você usa para acessar o Hive Server. Não
password A senha correspondente ao usuário. Marque este campo como um SecureString para armazená-lo com segurança ou faça referência a um segredo armazenado no Cofre de Chaves do Azure. Não
httpCaminho A URL parcial correspondente ao servidor Hive. Não
habilitarSsl Especifica se as conexões com o servidor são criptografadas usando TLS. O valor predefinido é false. Não
trustedCertPath O caminho completo do arquivo .pem contendo certificados de CA confiáveis para verificar o servidor ao se conectar por TLS. Essa propriedade só pode ser definida ao usar TLS em IR auto-hospedado. O valor padrão é o arquivo cacerts.pem instalado com o IR. Não
useSystemTrustStore Especifica se um certificado de autoridade de certificação deve ser usado do armazenamento confiável do sistema ou de um arquivo PEM especificado. O valor predefinido é false. Não
allowHostNameCNMismatch Especifica se um nome de certificado TLS/SSL emitido pela CA deve corresponder ao nome do host do servidor ao se conectar por TLS. O valor predefinido é false. Não
allowSelfSignedServerCert Especifica se os certificados autoassinados do servidor devem ser permitidos. O valor predefinido é false. Não
ConecteVia O tempo de execução de integração a ser usado para se conectar ao armazenamento de dados. Saiba mais na seção Pré-requisitos . Se não for especificado, ele usará o Tempo de Execução de Integração do Azure padrão. Não
storageReference Uma referência ao serviço vinculado da conta de armazenamento usada para preparar dados no mapeamento do fluxo de dados. Isso é necessário somente ao usar o serviço vinculado do Hive no mapeamento do fluxo de dados Não

Exemplo:

{
    "name": "HiveLinkedService",
    "properties": {
        "type": "Hive",
        "typeProperties": {
            "host" : "<cluster>.azurehdinsight.net",
            "port" : "<port>",
            "authenticationType" : "WindowsAzureHDInsightService",
            "username" : "<username>",
            "password": {
                "type": "SecureString",
                "value": "<password>"
            }
        }
    }
}

Propriedades do conjunto de dados

Para obter uma lista completa de seções e propriedades disponíveis para definir conjuntos de dados, consulte o artigo sobre conjuntos de dados. Esta seção fornece uma lista de propriedades suportadas pelo conjunto de dados do Hive.

Para copiar dados do Hive, defina a propriedade type do conjunto de dados como HiveObject. As seguintes propriedades são suportadas:

Propriedade Descrição Necessário
tipo A propriedade type do conjunto de dados deve ser definida como: HiveObject Sim
esquema Nome do esquema. Não (se "consulta" na fonte da atividade for especificado)
tabela Nome da tabela. Não (se "consulta" na fonte da atividade for especificado)
tableName Nome da tabela, incluindo a parte do esquema. Esta propriedade é suportada para compatibilidade com versões anteriores. Para nova carga de trabalho, use schema e table. Não (se "consulta" na fonte da atividade for especificado)

Exemplo

{
    "name": "HiveDataset",
    "properties": {
        "type": "HiveObject",
        "typeProperties": {},
        "schema": [],
        "linkedServiceName": {
            "referenceName": "<Hive linked service name>",
            "type": "LinkedServiceReference"
        }
    }
}

Propriedades da atividade Copy

Para obter uma lista completa de seções e propriedades disponíveis para definir atividades, consulte o artigo Pipelines . Esta seção fornece uma lista de propriedades suportadas pela fonte do Hive.

HiveSource como fonte

Para copiar dados do Hive, defina o tipo de origem na atividade de cópia como HiveSource. As seguintes propriedades são suportadas na seção de origem da atividade de cópia:

Propriedade Descrição Necessário
tipo A propriedade type da fonte de atividade de cópia deve ser definida como: HiveSource Sim
query Use a consulta SQL personalizada para ler dados. Por exemplo: "SELECT * FROM MyTable". Não (se "tableName" no conjunto de dados for especificado)

Exemplo:

"activities":[
    {
        "name": "CopyFromHive",
        "type": "Copy",
        "inputs": [
            {
                "referenceName": "<Hive input dataset name>",
                "type": "DatasetReference"
            }
        ],
        "outputs": [
            {
                "referenceName": "<output dataset name>",
                "type": "DatasetReference"
            }
        ],
        "typeProperties": {
            "source": {
                "type": "HiveSource",
                "query": "SELECT * FROM MyTable"
            },
            "sink": {
                "type": "<sink type>"
            }
        }
    }
]

Mapeando propriedades de fluxo de dados

O conector hive é suportado como uma fonte de conjunto de dados embutido no mapeamento de fluxos de dados. Leia usando uma consulta ou diretamente de uma tabela do Hive no HDInsight. Os dados do Hive são preparados em uma conta de armazenamento como arquivos parquet antes de serem transformados como parte de um fluxo de dados.

Propriedades de origem

A tabela abaixo lista as propriedades suportadas por uma fonte de hive. Você pode editar essas propriedades na guia Opções de origem .

Nome Descrição Necessário Valores permitidos Propriedade do script de fluxo de dados
Armazenamento A loja deve ser hive sim hive loja
Format Se você está lendo a partir de uma tabela ou consulta sim table ou query format
Nome do esquema Se estiver lendo de uma tabela, o esquema da tabela de origem Sim, se o formato for table String schemaName
Nome da tabela Se estiver lendo de uma tabela, o nome da tabela Sim, se o formato for table String tableName
Consulta Se format for query, a consulta de origem no serviço vinculado do Hive Sim, se o formato for query String query
Encenado A mesa de colmeia será sempre encenada. sim true encenado
Contentor de Armazenamento Recipiente de armazenamento usado para preparar dados antes de ler do Hive ou gravar no Hive. O cluster de hive deve ter acesso a esse contêiner. sim String storageContainer
Banco de dados de preparo O esquema/banco de dados ao qual a conta de usuário especificada no serviço vinculado tem acesso. Ele é usado para criar tabelas externas durante o preparo e descartado depois não true ou false stagingDatabaseName
Scripts pré-SQL Código SQL a ser executado na tabela Hive antes de ler os dados não String pré-SQLs

Exemplo de fonte

Abaixo está um exemplo de uma configuração de origem do Hive:

Hive source example

Essas configurações se traduzem no seguinte script de fluxo de dados:

source(
    allowSchemaDrift: true,
    validateSchema: false,
    ignoreNoFilesFound: false,
    format: 'table',
    store: 'hive',
    schemaName: 'default',
    tableName: 'hivesampletable',
    staged: true,
    storageContainer: 'khive',
    storageFolderPath: '',
    stagingDatabaseName: 'default') ~> hivesource

Limitações conhecidas

  • Tipos complexos, como matrizes, mapas, estruturas e uniões não são suportados para leitura.
  • O conector do Hive suporta apenas tabelas do Hive no Azure HDInsight da versão 4.0 ou superior (Apache Hive 3.1.0)
  • Por padrão, o driver do Hive fornece "tableName.columnName" no coletor. Se você não deseja ver o nome da tabela no nome da coluna, então há duas maneiras de corrigir isso. a. Verifique a configuração "hive.resultset.use.unique.column.names" no lado do servidor Hive e defina-a como false. b. Use o mapeamento de coluna para renomear o nome da coluna.

Propriedades da atividade de pesquisa

Para saber detalhes sobre as propriedades, verifique Atividade de pesquisa.

Conteúdos relacionados

Para obter uma lista de armazenamentos de dados suportados como fontes e coletores pela atividade de cópia, consulte Armazenamentos de dados suportados.